基于脑电图的精神分裂症检测中的信息泄露与性能高估：文献研究与实证分析的证据

《Translational Psychiatry》：Information leakage and performance overestimation in EEG-based schizophrenia detection: evidence from literature and empirical analyses

　　

摘要

近年来，利用机器学习和深度学习模型通过脑电图信号检测精神分裂症逐渐受到关注，因为这在疾病早期检测和鉴别诊断方面具有潜在应用价值。相关分类任务的准确率通常在95%以上；然而，对现有研究的回顾表明，约65%的论文在评估过程中存在错误做法，比如采用时间周期而非受试者作为数据分割依据，或在数据划分前就对特征进行排序和选择。这类信息泄露问题会导致精神分裂症检测准确率被高估。在此，我们使用三种公开的精神性分裂症脑电图数据集，通过有信息泄露和无信息泄露两种场景下的标准分类方法进行了验证。结果表明，信息泄露可使精神分裂症的分类准确率高出约30%。因此，在这项技术进一步发展为临床决策工具之前，有必要制定并推广基于脑电图的精神分裂症检测最佳实践。